Act 1 Mod. 2

Cargar Librerías

library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

library(ggplot2)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(readxl)

Cargar Base de Datos

library(readxl)
datos <- read_excel("Desktop/Tipodecambio.xlsx")

Introducción al problema

La importancia de predecir las fluctuaciones en las tasas de cambio y cómo esto puede ayudar a minimizar riesgos y maximizar ganancias en la venta de divisas.

Explorar el conjunto de datos

head(datos)

## # A tibble: 6 × 2
##   Fecha               Tipo_de_cambio
##   <dttm>                       <dbl>
## 1 2023-01-02 00:00:00           19.5
## 2 2023-01-03 00:00:00           19.4
## 3 2023-01-04 00:00:00           19.4
## 4 2023-01-05 00:00:00           19.4
## 5 2023-01-06 00:00:00           19.2
## 6 2023-01-09 00:00:00           19.2

summary(datos)

##      Fecha                       Tipo_de_cambio 
##  Min.   :2023-01-02 00:00:00.0   Min.   :16.34  
##  1st Qu.:2023-04-27 00:00:00.0   1st Qu.:17.06  
##  Median :2023-08-17 00:00:00.0   Median :17.34  
##  Mean   :2023-08-18 05:04:21.2   Mean   :17.57  
##  3rd Qu.:2023-12-08 00:00:00.0   3rd Qu.:18.06  
##  Max.   :2024-04-08 00:00:00.0   Max.   :19.49

Visualización de la serie temporal

library(ggplot2)
ggplot(datos, aes(x = datos$Fecha, y = datos$Tipo_de_cambio)) +
  geom_line() +
  labs(title = "Tasa de cambio histórica dólar-peso mexicano",
       x = "Fecha", y = "Tasa de cambio")

## Warning: Use of `datos$Fecha` is discouraged.
## ℹ Use `Fecha` instead.

## Warning: Use of `datos$Tipo_de_cambio` is discouraged.
## ℹ Use `Tipo_de_cambio` instead.

Preprocesamiento de datos

datos$Fecha <- as.Date(datos$Fecha, format = "%d.%m.%Y")
str(datos)

## tibble [317 × 2] (S3: tbl_df/tbl/data.frame)
##  $ Fecha         : Date[1:317], format: "2023-01-02" "2023-01-03" ...
##  $ Tipo_de_cambio: num [1:317] 19.5 19.4 19.4 19.4 19.2 ...

Crear y entrenar el modelo de series temporales

Serie de tiempo

serie_tiempo <- ts(datos$Tipo_de_cambio, start = c(year(min(datos$Fecha)), month(min(datos$Fecha))), frequency = 365)
plot(serie_tiempo, main = "Serie de tiempo de la tasa de cambio dólar-peso mexicano",
     xlab = "Fecha", ylab = "Tasa de cambio")

Modelo ARIMA

library(forecast)
modelo <- auto.arima(serie_tiempo)
print(modelo)

## Series: serie_tiempo 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##         drift
##       -0.0100
## s.e.   0.0065
## 
## sigma^2 = 0.01342:  log likelihood = 233.28
## AIC=-462.55   AICc=-462.51   BIC=-455.04

Predecir la tasa de cambio en los próximos 15 días

predicciones <- forecast(modelo, h = 15)
print(predicciones)

##           Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 2023.8685       16.32572 16.17727 16.47418 16.09868 16.55277
## 2023.8712       16.31575 16.10580 16.52570 15.99465 16.63684
## 2023.8740       16.30577 16.04863 16.56291 15.91251 16.69903
## 2023.8767       16.29579 15.99888 16.59271 15.84170 16.74989
## 2023.8795       16.28582 15.95385 16.61778 15.77812 16.79351
## 2023.8822       16.27584 15.91219 16.63949 15.71969 16.83199
## 2023.8849       16.26586 15.87308 16.65865 15.66515 16.86657
## 2023.8877       16.25589 15.83598 16.67579 15.61370 16.89807
## 2023.8904       16.24591 15.80054 16.69129 15.56477 16.92705
## 2023.8932       16.23593 15.76647 16.70540 15.51795 16.95392
## 2023.8959       16.22596 15.73358 16.71834 15.47293 16.97899
## 2023.8986       16.21598 15.70171 16.73026 15.42947 17.00250
## 2023.9014       16.20600 15.67073 16.74128 15.38737 17.02464
## 2023.9041       16.19603 15.64055 16.75151 15.34649 17.04556
## 2023.9068       16.18605 15.61107 16.76103 15.30670 17.06540

plot(predicciones, main = "Predicciones de la tasa de cambio dólar-peso mexicano",
     xlab = "Fecha", ylab = "Tasa de cambio")

Calcular el riesgo de pérdida

prob_perdida <- sum(predicciones$lower < 0.9 * min(datos$Tipo_de_cambio)) / length(predicciones$lower)
print(paste("Probabilidad de pérdida:", prob_perdida))

## [1] "Probabilidad de pérdida: 0"

Decidir si vender ahora o esperar

if (prob_perdida > 0.05) {
  print("Es recomendable vender los dólares ahora.")
} else {
  print("Puede ser prudente esperar antes de vender los dólares.")
}

## [1] "Puede ser prudente esperar antes de vender los dólares."

Interpretación de Resultados

El resultado de una probabilidad de pérdida del 0% es bastante positivo. Significa que según las predicciones del modelo ARIMA, no se espera que la tasa de cambio caiga más del 10% en los próximos 15 días. Por lo tanto, desde una perspectiva de gestión de riesgos, esto sugiere que no existe un riesgo significativo de pérdida asociado con la retención de los dólares en lugar de venderlos de inmediato.

Esto proporciona una base sólida para tomar una decisión informada sobre la venta de divisas. Si bien cada situación financiera puede ser única y sujeta a múltiples factores, en este caso específico, parece razonable considerar mantener los dólares durante el período especificado.

Además, las predicciones de la tasa de cambio pueden ser útiles para planificar estrategias de venta de divisas a más largo plazo. Al monitorear continuamente las tendencias y patrones en las predicciones de la tasa de cambio, la empresa X puede ajustar sus estrategias de venta de divisas para maximizar los rendimientos y minimizar los riesgos.

En resumen, las predicciones de la tasa de cambio proporcionan una valiosa herramienta para la toma de decisiones informadas en la venta de divisas y la gestión de riesgos, permitiendo a la empresa X adaptarse a las condiciones del mercado y maximizar su rendimiento financiero.